Artımlı öğrenme entegre transfer öğrenmesi kullanarak yönlendirilmiş enerji biriktirmede enerji tüketiminin tahmini

Neden daha akıllı 3B baskı güç kullanımı önemli

Metal 3B baskı, karmaşık jet motor parçaları ve medikal implantlar üretebilir, ancak genellikle çok fazla elektrik tüketir. Bu enerjinin hem finansal bir maliyeti hem de iklim açısından bir bedeli vardır. Bu makale, bilgisayarların belirli bir metal 3B baskı türünde kullanılan enerjiyi güvenilir şekilde tahmin etmeyi ve nihayetinde azaltmayı öğretmenin bir yolunu araştırıyor; özellikle veri az olduğunda bile. Daha yeşil üretim veya daha ucuz yüksek teknoloji ürünleriyle ilgilenen herkes için bu çalışma, daha akıllı ve daha verimli fabrikalara işaret ediyor.

Metal parçaların ışıkla nasıl üretildiği

Birçok metal 3B yazıcı yoğun bir lazer veya elektron ışınıyla metal tozunun akışına veya yatağına ışık tutarak çalışır. Burada incelenen yönlendirilmiş enerji biriktirme (DED) sürecinde, toz lazerle oluşturulan çok küçük bir erimiş havuza üflenerek parça katman katman inşa edilir. Bu yaklaşım bloklardan parça kesmeye göre daha az hammadde israfı yapsa da, makinenin metali tekrar tekrar eritip katılaştırması gerektiğinden çok fazla güç tüketir. Kullanılan toplam enerji, alaşım, lazer gücü, hareket hızı ve toz besleme hızı gibi birçok faktöre bağlıdır. Bu ayarlardan enerji kullanımını tahmin etmek zor ama maliyet kontrolü ve karbon emisyonu hesaplamaları için hayati öneme sahiptir.

Geleneksel tahmin araçlarının neden yetersiz kaldığı

Araştırmacılar, katkı üretimde enerji tüketimini öngörmek için hem fizik temelli denklemleri hem de geleneksel makine öğrenmesini denediler. Fiziksel modeller gerçek dünyanın tüm karmaşık etkilerini yakalamakta zorlanırken, standart makine öğrenmesi genellikle yalnızca süreç ayarlarını değil sensör okumaları ve görüntüler gibi zengin veri setlerini de gerektirir. Böyle ayrıntılı verilerin toplanması maliyetli ve zaman alıcıdır. Daha da kötüsü, bir metal veya makine konfigürasyonunda eğitilmiş modeller koşullar değiştiğinde başarısız olma eğilimindedir. Bir nikel alaşımı için iyi çalışan bir model, kobalt-krom alaşımı için aynı başarıyı gösteremeyebilir; bir lazer gücüne göre ayarlanmış model başka bir güçte kötü performans sergileyebilir.

Zaten bildiğinin üzerine inşa eden bir öğrenme çerçevesi

Yazarlar bu sınırlamaları aşmak için iki fikri — transfer öğrenme ve artımlı öğrenmeyi — birleştiriyor. Transfer öğrenme, bir modelin kobalt-krom (CoCrMo) ile baskı yapma gibi bir durumdan öğrendiklerini, nikel bazlı bir alaşım (IN718) ile uygulandığında yeniden kullanmasına olanak tanır. Artımlı öğrenme ise yeni veriler geldikçe modelin sıfırdan yeniden eğitilmeden adım adım güncellenmesine izin verir. Çerçevede model önce bir malzeme üzerinde aşamalı olarak eğitilir; düşük lazer güçlerinde yapılan örneklerle başlayıp sonra daha yüksek güçlerdeki örnekler eklenir. Eğitilmiş model daha sonra yeni malzemeden veya yeni güç seviyesinden sadece birkaç örnekle hafifçe yeniden eğitilerek büyük yeni bir veri setine ihtiyaç duymadan uyum sağlaması sağlanır.

Bilgisayarların kalıpları tanıması için farklı yolları test etmek

Bu çerçevenin ne kadar iyi çalıştığını görmek için ekip, CoCrMo ve IN718 tozları kullanarak 20 küçük test parçası bastı ve her an kullanılan elektrik enerjisini ölçtü. Enerjiyi her anda tahmin etmek için yalnızca altı basit girdi kullandılar — zaman adımı, lazer gücü, tarama hızı, toz besleme hızı, katman numarası ve makinenin aktif olarak üretim yapıp yapmadığı —. Dört tür model karşılaştırıldı: ağaç tabanlı bir yöntem (XGBoost), tekrarlayan sinir ağı (LSTM), zamansal konvolüsyonel ağ (TCN) ve dikkat mekanizmaları kullanan bir transformer modeli. CoCrMo'dan IN718'e geçiş, IN718'ten CoCrMo'ya geçiş ve IN718'de düşükten yükseğe lazer gücüne geçiş olmak üzere üç görevde, artımlı transfer öğrenme yaklaşımı tipik eğitimle eğitilen modellere kıyasla tutarlı şekilde ölçümlere daha yakın tahminler üretti.

Hangi yaklaşım en iyi sonuç verdi

Dört model arasında zamansal konvolüsyonel ağ öne çıktı. Artımlı transfer öğrenme çerçevesi ile ortalama yaklaşık yüzde 4,65 hata ve enerji kullanımındaki varyasyonun yaklaşık yüzde 92'sini açıklama sağladı ve hâlâ makul bir hızda eğitilebildi. LSTM de iyi performans gösterdi; transformer ve XGBoost modelleri doğrulukta biraz geride kaldı, ancak XGBoost en hızlı eğitilen modeldi. İyileştirilmiş modeller özellikle lazerin başlama, durma veya katman değiştirme anlarındaki ani düşüşleri ve sıçramaları—yüksekler ve çukurlar—yakalamada daha başarılıydı; bu dalgalanmaları düzleştirmek yerine korudular.

Daha temiz üretim için bunun anlamı

Düz bir ifadeyle, çalışma akıllı, katmanlı bir öğrenme stratejisinin, mühendislerin sadece birkaç test çalışması olduğunda ve malzemeler veya süreç ayarları değiştiğinde bile metal 3B yazıcının ne kadar enerji çekeceğini bilgisayarların doğru şekilde tahmin etmesine izin verdiğini gösteriyor. Bu tür bir tahmin, yazıcıları parça kalitesini koruyarak daha az enerji kullanacak şekilde otomatik olarak ayarlamaya ve kapsamlı ölçümler olmadan emisyonları tahmin etmeye yönelik önemli bir adımdır. Gerçek fabrikalar bu çalışmadaki kontrollü koşullardan daha fazla değişken içeriyor olsa da, öğrenilmiş bilgiyi yeniden kullanma ve kademeli olarak güncelleme yaklaşımı, enerji bilincine sahip ve iklim dostu üretime giden umut verici bir yol sunuyor.

Atıf: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

Anahtar kelimeler: metal katkı üretimi, enerji tüketimi tahmini, transfer öğrenme, artımlı öğrenme, yönlendirilmiş enerji biriktirme